Ноябрь 15th, 2014
Функция newlvq создает LVQ-сетьдляклассификациивходныхвекторов (lvq — LearningVectorQuantization). Как правило, такая сеть выполняет кластеризацию и классификацию векторов входа, а также является развитием самоорганизующихся сетей Кохонена (74, 104) (рис. 4.6). Параметр pr является массивом минимальных и максимальных значений векторов входа, s1 — количество нейронов конкурирующего шара, lr — коэффициент скорости настройки, P — вектор представителей, Tc — вектор из единиц и двоек, которые определяют принадлежность или непринадлежность представителей нужному классу.
Обучение сети происходит с помощью функции train. LVQ-сеть имеет два слоя: конкурирующий и линейный. В результате обучения весовые коэффициенты настраиваются так, чтобы выполнялось соответствие представителей классам.
Учитывая то, что на вход нейронной сети можно последовательно подать значение факторов, которые содержат информацию о всех размещенных в ИБ ОН, и получить значение ее выхода, указывающее на принадлежность ОН к нужному классу, задача классификации будет полностью решена. Если у вас есть свой магазин, то купить шубы вы сможете для него тут.
В отличие от традиционных SQL-запросов значительно сокращается количество вычислений при определении записей ИБ, которые отвечают требованиям клиентов, ведь для этого нужно проверять все записи на соответствие каждого поля определенному критерию. По разработанной процедуре достаточно обучить нейронную сеть классифицировать ОН на эталонных образах, а дальше использовать ее в прямом режиме функционирования для определения принадлежности определенным классам всех ОН. LVQ-сеть является ядром информационно-аналитической системы и играет определяющую роль при оказании консультативных услуг субъектам РН.
Анализ РН, как сложной системы, был бы неполным без учета особенностей внешней среды и процессов, которые в нем происходят. Учет характерных признаков города, региона и макроэкономической ситуации в стране является целесообразным при определении цены ОН. Необходимость этого определяется тем, что согласно закону больших чисел при анализе информационного банка значительного объема особенности отдельных признаков нивелируются и усредняются, что значительно уменьшает точность прогнозирования. Кроме того, реализация возможности определения влияния внешних факторов позволит сделать ИАС для анализа и прогнозирования РН масштабируемой и мобильной. При этом важно выполнить формализованную постановку задачи прогнозирования оценки ОН, предполагающую использование нелинейного анализа и лингвистических переменных. Для решения задачи используем модели и методы, базирующиеся на НС и нечетком анализе.
